/ Модель

Характеристики

Контекст
1 000 000 токенов
Лицензия
Apache 2.0
Архитектура
model2vec · dense
Базовая модель
pubmedbert-base-embeddings
Опубликована
3 янв 2025

pubmedbert-base-embeddings-500K

ЭмбеддингиТекст → embedding6 профессий

Компактная англоязычная модель медицинских эмбеддингов для семантического поиска, сравнения текстов и RAG.

384скачиваний за 30 дней2лайкавеса обновлены17 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки23

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • PublicHealthQA

    main_score

    Результат

    0,155

    Общий результат 0,4932Общий результат 0,443Общий результат 0,0957
    MTEB

    Публичная таблицадругая ревизия

  • MedrxivClusteringP2P.v2

    main_score

    Результат

    0,3425

    MTEB

    Публичная таблицадругая ревизия

  • CUREv1

    main_score

    Результат

    0,0115

    Общий результат 0,2379Общий результат 0,2213Общий результат 0,2192
    MTEB

    Публичная таблицадругая ревизия

  • ThuNewsClusteringS2S

    main_score

    Результат

    0,0787

    MTEB

    Публичная таблицаревизия совпадает

  • PAWSX

    main_score

    Результат

    0,0397

    MTEB

    Публичная таблицаревизия совпадает

  • TNews

    main_score

    Результат

    0,0882

    MTEB

    Публичная таблицаревизия совпадает

  • BQ

    main_score

    Результат

    0,1155

    Общий результат 0,1357
    MTEB

    Публичная таблицаревизия совпадает

  • STSB

    main_score

    Результат

    0,0561

    Общий результат −0,0228
    MTEB

    Публичная таблицаревизия совпадает

  • ATEC

    main_score

    Результат

    0,0343

    Общий результат 0,0348
    MTEB

    Публичная таблицаревизия совпадает

  • TRECCOVID

    main_score

    Результат

    0,3537

    MTEB

    Публичная таблицадругая ревизия

  • MedrxivClusteringS2S.v2

    main_score

    Результат

    0,2941

    MTEB

    Публичная таблицадругая ревизия

  • IFlyTek

    main_score

    Результат

    0,0596

    MTEB

    Публичная таблицаревизия совпадает

  • CmedqaRetrieval

    main_score

    Результат

    0,0106

    MTEB

    Публичная таблицадругая ревизия

  • CMedQAv2-reranking

    main_score

    Результат

    0,0578

    MTEB

    Публичная таблицадругая ревизия

  • NFCorpus

    main_score

    Результат

    0,1826

    MTEB

    Публичная таблицадругая ревизия

  • Waimai

    main_score

    Результат

    0,4632

    MTEB

    Публичная таблицаревизия совпадает

  • AFQMC

    main_score

    Результат

    0,0243

    MTEB

    Публичная таблицаревизия совпадает

  • SciFact

    main_score

    Результат

    0,4672

    MTEB

    Публичная таблицадругая ревизия

  • JDReview

    main_score

    Результат

    0,8143

    MTEB

    Публичная таблицаревизия совпадает

  • CLSClusteringS2S

    main_score

    Результат

    0,046

    MTEB

    Публичная таблицаревизия совпадает

  • MultilingualSentiment

    main_score

    Результат

    0,3513

    Общий результат 0,3547
    MTEB

    Публичная таблицаревизия совпадает

  • SciFact-PL

    main_score

    Результат

    0,1235

    MTEB

    Публичная таблицадругая ревизия

  • Cmnli

    main_score

    Результат

    0,5286

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

PubMedBERT Embeddings 500K — компактная англоязычная модель эмбеддингов от NeuML для поиска и сопоставления медицинских текстов. Это версия PubMedBERT Embeddings 2M с сокращённым словарём: оставлена четверть наиболее часто используемых токенов. В метаданных указаны архитектура Model2Vec с плотными векторами, формат safetensors и контекст до 1 000 000 токенов.

Модель подходит для построения семантического поиска и баз знаний для RAG, а также для сравнения вопросов с ответами, заголовков со статьями и статей с аннотациями. README приводит результаты оценки на наборах PubMed QA, PubMed Subset и PubMed Summary; на этих тестах версия 500K показала лучшие результаты среди перечисленных компактных вариантов. Модель доступна по лицензии Apache 2.0.

Сценарии применения

  • семантический поиск по медицинским статьям PubMed
  • поиск ответов на вопросы по медицинским текстам
  • сопоставление заголовков научных статей с их содержанием
  • сравнение статей с аннотациями
  • индексация медицинских документов для RAG

Ограничения

Модель ориентирована на англоязычные медицинские и научные тексты; сокращённый словарь может ухудшать представление редких терминов. Опубликованные оценки относятся к указанным наборам PubMed и не гарантируют аналогичное качество на других данных.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PubMedBERT Embeddings 500K

This is a pruned version of PubMedBERT Embeddings 2M. It prunes the vocabulary to take the top 25% most frequently used tokens.

See Extremely Small BERT Models from Mixed-Vocabulary Training for background on pruning vocabularies to build smaller models.

Usage (txtai)

This model can be used to build embeddings databases with txtai for semantic search and/or as a knowledge source for retrieval augmented generation (RAG).

import txtai

# Create embeddings
embeddings = txtai.Embeddings(
  path="neuml/pubmedbert-base-embeddings-500K",
  content=True,
)
embeddings.index(documents())

# Run a query
embeddings.search("query to run")

Usage (Sentence-Transformers)

Alternatively, the model can be loaded with sentence-transformers.

from sentence_transformers import SentenceTransformer
from sentence_transformers.models import StaticEmbedding

# Initialize a StaticEmbedding module
static = StaticEmbedding.from_model2vec("neuml/pubmedbert-base-embeddings-500K")
model = SentenceTransformer(modules=[static])

sentences = ["This is an example sentence", "Each sentence is converted"]
embeddings = model.encode(sentences)
print(embeddings)

Usage (Model2Vec)

The model can also be used directly with Model2Vec.

from model2vec import StaticModel

# Load a pretrained Model2Vec model
model = StaticModel.from_pretrained("neuml/pubmedbert-base-embeddings-500K")

# Compute text embeddings
sentences = ["This is an example sentence", "Each sentence is converted"]
embeddings = model.encode(sentences)
print(embeddings)

Evaluation Results

The following compares performance of this model against the models previously compared with PubMedBERT Embeddings. The following datasets were used to evaluate model performance.

  • PubMed QA
    • Subset: pqa_labeled, Split: train, Pair: (question, long_answer)
  • PubMed Subset
    • Split: test, Pair: (title, text)
  • PubMed Summary
    • Subset: pubmed, Split: validation, Pair: (article, abstract)

The Pearson correlation coefficient is used as the evaluation metric.

ModelPubMed QAPubMed SubsetPubMed SummaryAverage
pubmedbert-base-embeddings-8M-M2V (No training)69.8470.7771.3070.64
pubmedbert-base-embeddings-100K74.5684.6581.8480.35
pubmedbert-base-embeddings-500K86.0391.7191.2589.66
pubmedbert-base-embeddings-1M87.8792.8092.8791.18
pubmedbert-base-embeddings-2M88.6293.0893.2491.65

The accuracy trade is notable but it's not terribly significant.

Runtime performance

As another test, let's see how long each model takes to index 120K article abstracts using the following code. All indexing is done with a RTX 3090 GPU.

from datasets import load_dataset
from tqdm import tqdm
from txtai import Embeddings

ds = load_dataset("ccdv/pubmed-summarization", split="train")

embeddings = Embeddings(path="path to model", content=True, backend="numpy")
embeddings.index(tqdm(ds["abstract"]))
ModelModel Size (MB)Index time (s)
pubmedbert-base-embeddings-100K0.219
pubmedbert-base-embeddings-500K1.017
pubmedbert-base-embeddings-1M2.017
pubmedbert-base-embeddings-2M7.517

Vocabulary pruning doesn't change the runtime performance in this case. But the model is much smaller. Vectors are stored at int16 precision. This can be beneficial to smaller/lower powered embedded devices and could lead to faster vectorization times.

Training

This model was vocabulary pruned using the following script.

import json
import os

from collections import Counter
from pathlib import Path

import numpy as np

from model2vec import StaticModel
from more_itertools import batched
from sklearn.decomposition import PCA
from tokenlearn.train import collect_means_and_texts
from tokenizers import Tokenizer
from tqdm import tqdm
from txtai.scoring import ScoringFactory

def tokenize(tokenizer):
    # Tokenize into dataset
    dataset = []
    for t in tqdm(batched(texts, 1024)):
        encodings = tokenizer.encode_batch_fast(t, add_special_tokens=False)
        for e in encodings:
            dataset.append((None, e.ids, None))

    return dataset

def tokenweights(tokenizer):
    dataset = tokenize(tokenizer)

    # Build scoring index
    scoring = ScoringFactory.create({"method": "bm25", "terms": True})
    scoring.index(dataset)

    # Calculate mean value of weights array per token
    tokens = np.zeros(tokenizer.get_vocab_size())
    for x in scoring.idf:
        tokens[x] = np.mean(scoring.terms.weights(x)[1])

    return tokens

# See PubMedBERT Embeddings 2M model for details on this data
features = "features"
paths = sorted(Path(features).glob("*.json"))
texts, _ = collect_means_and_texts(paths)

# Output model parameters
output = "output path"
params, dims = 500000, 64

path = "pubmedbert-base-embeddings-2M_unweighted"
model = StaticModel.from_pretrained(path)

os.makedirs(output, exist_ok=True)

with open(f"{path}/tokenizer.json", "r", encoding="utf-8") as f:
    config = json.load(f)

# Calculate number of tokens to keep
tokencount = params // model.dim

# Calculate term frequency
freqs = Counter()
for _, ids, _ in tokenize(model.tokenizer):
    freqs.update(ids)

# Select top N most common tokens
uids = set(x for x, _ in freqs.most_common(tokencount))
uids = [uid for token, uid in config["model"]["vocab"].items() if uid in uids or token.startswith("[")]

# Get embeddings for uids
model.embedding = model.embedding[uids]

# Select pruned tokens
pairs, index = [], 0
for token, uid in config["model"]["vocab"].items():
    if uid in uids:
        pairs.append((token, index))
        index += 1

config["model"]["vocab"] = dict(pairs)

# Write new tokenizer
with open(f"{output}/tokenizer.json", "w", encoding="utf-8") as f:
    json.dump(config, f, indent=2)

model.tokenizer = Tokenizer.from_file(f"{output}/tokenizer.json")

# Re-weight tokens
weights = tokenweights(model.tokenizer)

# Remove NaNs from embedding, if any
embedding = np.nan_to_num(model.embedding)

# Apply PCA
embedding = PCA(n_components=dims).fit_transform(embedding)

# Apply weights
embedding *= weights[:, None]

# Update model embedding and normalize
model.embedding, model.normalize = embedding.astype(np.int16), True

model.save_pretrained(output)

Acknowledgement

This model is built on the great work from the Minish Lab team consisting of Stephan Tulkens and Thomas van Dongen.

Read more at the following links.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура model2vec неизвестна transformers в образе рантайма.

Класс архитектуры
StaticModel
Ревизия весов
71f65d5

0 моделей